Este trabalho apresenta um método computacional baseado em múltiplas etapas para simplificar a análise do comportamento de ratos em experimentos de condicionamento, um procedimento comum em pesquisas de neurociência e comportamento. A análise manual tradicional de sessões de vídeo, que documentam as respostas dos ratos a estímulos condicionados, é trabalhosa e sujeita a erros. Nossa abordagem utiliza aprendizado profundo para automatizar esse processo, aumentando tanto a eficiência quanto a precisão nas avaliações comportamentais. Na primeira etapa, utilizamos métodos baseados em aprendizado profundo para segmentar partes-chave do corpo dos ratos e detectar a postura de rearing ao longo dos quadros de vídeo. Para treinar esses modelos, desenvolvemos um novo conjunto de dados de segmentação semântica, permitindo o uso de arquiteturas baseadas em redes neurais convolucionais (CNN) com aprendizado supervisionado. Em seguida, nosso método extrai descritores espaço-temporais dos quadros segmentados, permitindo a quantificação precisa do comportamento ao longo do tempo. Na etapa final, geramos representações visuais desses descritores, criando uma visão abrangente de padrões comportamentais como freezing, rearing e grooming. Este método não apenas reduz o esforço manual, mas também oferece uma abordagem robusta, orientada por dados, para compreender respostas comportamentais complexas em modelos animais, abrindo caminho para pesquisas comportamentais mais consistentes e em larga escala.